皆さま、こんにちは。

IDAJの森田です。

今回は、マルチフィジックス・システムシミュレーションツール「GT-SUITE」の開発元である、Gamma Technologiesが公開しているBLOGの内容を翻訳および一部改修・追記してご紹介します。

電動モーター熱シミュレーションの課題

電動モーターの熱シミュレーションには、相反する2つの要求があります。1つはコンポーネントレベルでの空間分布的な予測精度、もう1つはシステムレベルで多数のシナリオを検討するために必要な計算速度です。
電動モーターの詳細な3次元有限要素（FE）熱モデルは、ホットスポット温度の予測、冷却方針の検証、厳しい実運用条件下での耐久性確保に不可欠です。一方で、計算負荷が大きく、数百のシナリオを迅速に評価する必要があるシステムレベルシミュレーションでは、計算時間が課題となります。
集中熱容量モデルははるかに高速に計算できますが、局所的なピーク温度を正確に捉えるために必要な空間分解能が不足しており、通常はモデルのキャリブレーションも必要です。この差を埋める新たなアプローチとして、機械学習（ML）メタモデルがあります。MLメタモデルは、ほぼ瞬時に実行でき、ホットスポットを予測する能力を維持できます。

ここでは、完全な物理ベースの電動モーターFE熱モデルから、計算速度、ロバスト性、ホットスポットレベルの再現性を備えた動的回帰メタモデルへ変換するためのデータ駆動型の手法をご紹介します。

GT-SUITEと統合した電動モーターの詳細FE熱モデル

出発点は、電動モーターの詳細な物理ベースFE熱モデルです。このモデルでは、構造内の熱伝導、各コンポーネントの損失熱、冷却液の流れ、オイルスプレーの効果、ならびに車両レベルのGT-SUITEモデルから与えられる境界条件を表現します。

ベースラインとなるEモーターFE熱モデル

この構成により、正確な3次元温度分布を取得し、ステーター、巻線、ローター、磁石のホットスポットを予測できます。FEモデルを用いれば高精度な熱解析結果が得られますが、リアルタイムよりも計算が3.5倍遅いことが、長いドライブサイクルでシナリオを繰り返し評価する際の制約となります。そこで、FE領域を機械学習ベースのメタモデルに置き換えることで、熱解析の精度を維持しながら、システムシミュレーションを大幅に高速化します。

FE熱モデルを用いたDOEベースの学習データ生成

機械学習モデルのロバストな性能は、学習データの品質と多様性に大きく左右されます。本検討では、FE熱モデルそのものを仮想データ生成器として使用しました。また幅広い運転領域を網羅するために、独自の実験計画法（DOE）を構築しました。

• 過渡シミュレーション60サンプル
• 4種類のドライブサイクル
• 5水準の冷却液入口温度
• 3水準周囲温度条件
• 冷却液流量の過渡的な変化
• オイルスプレー冷却の過渡的なオン／オフ

学習データ生成用のDOEデータ

これらの入力条件により、モーターの非線形な熱挙動が生じます。FEシミュレーションからは、関連するすべてのホットスポット温度と冷却液出口温度の時系列データが得られます。

メタモデルに用いる熱入力信号とホットスポット出力信号の選定

DOEデータセットから、熱挙動を左右する次の9つの入力信号（因子）を選定しました。

• ステーター損失熱
• 巻線損失熱
• ローター損失熱
• 磁石損失熱
• 風損
• 周囲温度
• 冷却液流量
• 冷却液入口温度
• オイルスプレー冷却（オン／オフ）

メタモデルは、次の5つの主要な出力（応答）を予測します。

• ステーター最高温度
• 巻線最高温度
• ローター最高温度
• 磁石最高温度
• 冷却液出口温度

これらの信号は、システムレベルの検討で特に重要な熱性能指標です。

GT-SUITEによるNeuralODE動的回帰メタモデルの学習

GT-SUITEのMachine Learning Assistantは、ガイド付きのメタモデル開発環境です。これを用いて，連続時間の動的挙動を表現し、非線形な過渡挙動を捉える動的回帰メタモデルを選択できます。今回は、NeuralODE形式のメタモデルがわずかに高い精度を示しました。なお、精度確認テスト用として、学習時には使用していない8つのフルレングスのドライブサイクルを連続で走行するモードを確保しました。

NeuralODEの構成

学習、検証、テストの各データセットについて回帰プロットと過渡応答プロットを確認した結果、ニューラルネットワークの出力とGT-SUITEの参照データは良好に一致しました。

• 滑らかで安定した挙動
• ホットスポット温度ピークの正確な予測
• 大きな熱過渡が生じる場合でも低い絶対誤差

回帰プロット

過渡応答プロット

学習後のメタモデルは、GT-SUITEにネイティブ統合するための.mmpファイルとしてエクスポートできます。また、サードパーティー環境への統合やECUへの実装に向けて、FMUとCコードとしてのエクスポートが可能です。

GT-SUITEのMetamodelHarnessを用いたシステムレベル統合と検証

Machine Learning Assistantの独立した環境内での検証だけでは十分ではありません。メタモデルの挙動を確実に評価するには、既存のプラントモデルへ統合することが不可欠です。

システムレベルモデルでは、次の構成を採用しました。

• MetamodelHarnessテンプレートを使用し、FE熱領域を完全に置き換える
• メタモデルでホットスポット温度と冷却液出口温度を予測する
• 学習条件に合わせるため、専用の1秒タイムステップ制御回路を使用する
• 車両レベルで算出した損失をメタモデルへ動的に入力する

MetamodelHarnessを使用したシステム統合

未知のドライブサイクルや境界条件の変更を含む複数の運転条件について、次の2つを比較しました。

• 物理ベースのベースライン3次元FE熱モデル
• ニューラルネットワークメタモデル

未知の走行サイクルにおけるニューラルネットワークの相関

別の未知走行サイクルにおけるニューラルネットワークの相関

その結果、サロゲートモデルはすべてのシナリオで参照モデルの挙動を正確に再現しました。またFE熱モデルをニューラルネットワークに置き換えることで、CPU負荷は99％以上削減されています。

リアルタイム係数の比較

まとめ：EVモーター開発に向けた実用的な機械学習高速熱シミュレーション

完全な物理ベースのFE熱モデルは、電動モーターのホットスポット温度を予測するうえで依然として最も信頼性の高い手法です。しかし、計算コストが大きいため、多数のシステムレベルシミュレーションに適用することは現実的ではありません。一方、今回のケースで構築したデータ駆動型メタモデルは、FEベースのホットスポット予測精度を維持しながら、ほぼ瞬時に計算できることを示しました。

FEモデルから慎重に設計したDOEによって学習データを生成し、動的回帰メタモデルを学習させることで、未知の走行サイクルに対しても高い精度を維持できます。

GT-SUITEのシステムモデルに統合すると、計算コストを大幅に抑えながら熱挙動を予測でき、多数のシナリオを高速かつ拡張性の高い形で検討できます。これにより、速度とロバスト性の両方が求められる日常的なシステムレベル検討でも、高精細なホットスポット予測を実用化できます。このアプローチはGamma Technologiesのエンジニアによる実用シミュレーションワークフローで検証されており、GT-SUITEユーザーがMachine Learning Assistantモジュールを通じて利用できる手法と同じものです。

物理ベースモデルと機械学習メタモデルを統合することで、解析精度を維持しながらシミュレーション時間を大幅に短縮できます。

よくあるご質問

電動モーター熱メタモデルとは何ですか。また、集中熱容量モデルとはどのように異なりますか？

電動モーター熱メタモデルは、詳細な有限要素（FE）モデルのシミュレーションデータを用いて学習した機械学習サロゲートモデルです。手動でのキャリブレーションを必要とする集中熱容量モデルとは異なり、機械学習メタモデルは、コンポーネント損失、冷却条件、ホットスポット温度の間にある非線形な過渡関係をFEデータから直接学習します。その結果、集中モデルで必要となるキャリブレーションの負担を抑えながら、FEモデルによるホットスポット予測の空間的な再現性を維持し、ステーター、巻線、ローター、磁石の温度をほぼリアルタイムで予測できます。

GT-SUITEでFE熱モデルを機械学習メタモデルに置き換えると、シミュレーション時間はどの程度短縮されますか？

今回の事例では、FE熱領域をNeuralODEメタモデルに置き換えることで、CPU負荷を99％以上削減しました。元のFEモデルは実時間の3.5倍の計算時間を要し、シナリオを繰り返し評価する用途には適していませんでした。統合後のメタモデルはGT-SUITEのシステムモデル内で実時間より高速に動作し、ホットスポット予測精度を損なうことなく、数百に及ぶドライブサイクルと境界条件の組み合わせを迅速に検討できます。

学習済みの機械学習メタモデルをGT-SUITE以外にエクスポートし、ECUやサードパーティーツールで使用できますか？

学習と検証を終えたGT-SUITEのメタモデルは、ネイティブ形式の.mmpファイルに加え、複数の形式でエクスポートできます。FMU（Functional Mock-up Unit）としてエクスポートすれば、他のシミュレーション環境に統合できます。Cコードとしてエクスポートすれば、ECUを含む組み込みハードウェアに実装できるため、機械学習ベースの熱予測モデルを量産車のリアルタイム熱保護方針に適用できます。

出典：Gamma Technologies Blog（2026年6月26日公開）
Machine Learning-Based E-Motor Thermal Metamodeling: Replacing FE Models for Fast System-Level EV Simulation

本記事ならびにGT-SUITEに関して、ご不明な点やご要望等ございましたら、お気軽にIDAJ営業担当（info@idaj.co.jp）までお問い合わせくださいますようお願いいたします！

■オンラインでの技術相談、お打合せ、技術サポートなどを承っています。

本件ならびに本記事で登場する製品やサービスに関しては、下記までお気軽にお問い合わせください。ご連絡をお待ちしています。

株式会社 IDAJ 営業部

Webからのお問い合わせはこちら

E-mail：info@idaj.co.jp

TEL： 045-683-1990